基于actigraphy的步骤分析用于检测抑郁情绪:可解释的机器学习方法

科学领域:

• 数字健康
• 医学中的人工智能
• 行为科学

背景情况:

• 抑郁症的检测通常依赖于主观的评估.
• 需要使用可穿戴设备进行客观,持续的监测.
• 动图提供了一个有前途的被动数据收集工具.

研究的目的:

• 开发一种可解释的人工智能 (AI) 模型,用于使用动图数据检测抑郁症状.
• 在机器学习模型中整合具有统计意义的特征,以提高准确性和可解释性.
• 在分类抑郁症症状时探索动画学衍生特征的实用性.

主要方法:

• 分析了一周内3304名参与者的动图数据.
• 包括CatBoost和XGBoost在内的6个机器学习模型被训练了各种活动和光照指标.
• 用沙普利增量解释 (SHAP) 来解释模型,分析按性别和性别分层.

主要成果:

• CatBoost和XGBoost在预测轻度和中度至重度抑郁症状方面表现最好 (AUROC为0. 679-0. 715).
• SHAP分析发现,在最不活跃的5小时期间 (L5) 的低步数和高活动是抑郁症状的关键预测因素.
• 预测准确度在老年男性中最高,AUROC值达到0.833.

结论:

• 在人工智能驱动的抑郁症分类中,来自动图的步数和时间活动模式很有价值.
• 人工智能对个性化心理健康查至关重要.
• 对活动数据的时间敏感分析具有客观心理健康评估的巨大潜力.